distribute by是控制在map端如何拆分数据给reduce端,hive会根据
distribute by 后面列,对应reduce的个数进行分发,默认采用hash算法。
sort by 是每个reduce产生的一个排序文件。在有些情况下,需要控制某个
特定行应该到哪个reducer,这通常是为了后续的聚合操作,distribute by
正好可以做这件事,所以通常和sort by 配合使用
distribute by 和 sort by 的使用场景:
1> map 输出的文件大小不均
2> reduce输出文件大小不均
3> 小文件过多
4> 文件超大
distribute by 后面不能加上 asc 或者 desc
案例:从student表中导出数据
1> 设置属性 set mapred.reduce.tasks=2;
2> insert overwrite local directory ‘/tmp/xxq/student’
select * from student distribute by id ;
3> 观察结果:Stage-Stage-1: Map: 1 Reduce: 2
数据被分发到了两个reducer中执行,
产生了000000_0和000001_0两个文件
distribute by和sort by结合使用
distribute by必须写在sort by 之前
select * from student distribute by id sort by sex;